Matplotlib có thể được sử dụng để tạo biểu đồ. Một biểu đồ hiển thị tần suất trên trục dọc và trục ngang là một thứ nguyên khác. Thông thường nó có các thùng, trong đó mỗi thùng có giá trị tối thiểu và tối đa. Mỗi thùng cũng có tần số từ x đến vô hạn
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Ví dụ về biểu đồ Matplotlib
Dưới đây chúng tôi hiển thị biểu đồ Matplotlib tối thiểu nhất.
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
x = [21,22,23,4,5,6,77,8,9,10,31,32,33,34,35,36,37,18,49,50,100]
num_bins = 5
n, bins, patches = plt.hist[x, num_bins, facecolor='blue', alpha=0.5]
plt.show[]
đầu ra
Biểu đồ python matplotlib hoàn chỉnh
Có thể thêm nhiều thứ vào biểu đồ chẳng hạn như đường khớp, nhãn, v.v. Mã bên dưới tạo biểu đồ nâng cao hơn.
#!/usr/bin/env python
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
đầu ra
Tải xuống ví dụ
Biểu đồ đường Matplotlib
Biểu đồ đường có thể được tạo bằng hàm Matplotlib plot[]. Mặc dù chúng tôi chỉ có thể vẽ một đường, nhưng chúng tôi không giới hạn ở đó. Chúng tôi có thể xác định rõ ràng lưới, tỷ lệ trục x và y và các tùy chọn nhãn, tiêu đề và hiển thị
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Ví dụ về biểu đồ đường
Ví dụ bên dưới sẽ tạo biểu đồ đường.
from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
đầu ra
Những dòng kẻ
from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
chỉ cần xác định dữ liệu được vẽ
from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
vẽ biểu đồ. Các tuyên bố khác là rất đơn giản. các câu lệnh xlabel[] đặt văn bản trục x, ylabel[] đặt văn bản trục y, title[] đặt tiêu đề biểu đồ và grid[True] chỉ cần bật lưới
Nếu bạn muốn lưu cốt truyện vào đĩa, hãy gọi câu lệnh
savefig["line_chart.png"]
Vẽ biểu đồ đường tùy chỉnh
Nếu bạn muốn vẽ đồ thị bằng một mảng [danh sách], bạn có thể thực thi tập lệnh này
from pylab import *
t = arange[0.0, 20.0, 1]
s = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]
plot[t, s]
xlabel['Item [s]']
ylabel['Value']
title['Python Line Chart: Plotting numbers']
grid[True]
show[]
tuyên bố
t = arange[0.0, 20.0, 1]
xác định bắt đầu từ 0, vẽ 20 mục [độ dài của mảng của chúng tôi] với các bước là 1
đầu ra
Nhiều ô
Nếu bạn muốn vẽ nhiều đường trong một biểu đồ, chỉ cần gọi hàm plot[] nhiều lần. Một ví dụ
________số 8đầu ra
Trong trường hợp bạn muốn vẽ chúng trong các khung nhìn khác nhau trong cùng một cửa sổ, bạn có thể sử dụng cái này
import matplotlib.pyplot as plt
from pylab import *
t = arange[0.0, 20.0, 1]
s = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]
s2 = [4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]
plt.subplot[2, 1, 1]
plt.plot[t, s]
plt.ylabel['Value']
plt.title['First chart']
plt.grid[True]
plt.subplot[2, 1, 2]
plt.plot[t, s2]
plt.xlabel['Item [s]']
plt.ylabel['Value']
plt.title['Second chart']
plt.grid[True]
plt.show[]
đầu ra
plt. câu lệnh subplot[] là chìa khóa ở đây. Lệnh subplot[] chỉ định numrows, numcols và fignum
Tạo kiểu cho ô
Nếu bạn muốn các đường kẻ dày hoặc đặt màu, hãy sử dụng.
#!/usr/bin/env python0
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
Tải xuống ví dụ
Biểu đồ thanh Matplotlib
Matplotlib có thể được sử dụng để tạo biểu đồ thanh. Bạn có thể thích thư viện Matplotlib
Matplotlib là một thư viện python để trực quan hóa dữ liệu. Bạn có thể sử dụng nó để tạo biểu đồ thanh trong python. Cài đặt matplot trên pypi, vì vậy chỉ cần sử dụng pip. cài đặt pip matplotlib
Khóa học dưới đây là tất cả về trực quan hóa dữ liệu
Khóa học liên quan.
Trực quan hóa dữ liệu với Matplotlib và Python
mã biểu đồ thanh
Biểu đồ thanh hiển thị các giá trị dưới dạng các thanh dọc, trong đó vị trí của mỗi thanh biểu thị giá trị mà nó biểu thị. matplotlib nhằm mục đích biến dữ liệu thành Biểu đồ thanh dễ dàng nhất có thể
Biểu đồ thanh trong matplotlib được tạo từ mã python. Mã bên dưới tạo biểu đồ thanh
#!/usr/bin/env python1
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
đầu ra
Biểu đồ Matplotlib có thể nằm ngang, để tạo biểu đồ thanh ngang
#!/usr/bin/env python2
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
đầu ra
So sánh biểu đồ thanh
Bạn có thể so sánh hai chuỗi dữ liệu bằng mã Matplotlib này
#!/usr/bin/env python3
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
đầu ra
Biểu đồ thanh xếp chồng lên nhau
Ví dụ dưới đây tạo biểu đồ thanh xếp chồng lên nhau bằng Matplotlib. Các ô thanh xếp chồng lên nhau hiển thị các nhóm khác nhau cùng nhau
#!/usr/bin/env python4
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
đầu ra
Tải xuống tất cả các ví dụ Matplotlib
trăn biểu đồ hình tròn
Matplotlib hỗ trợ biểu đồ hình tròn bằng hàm pie[]. Bạn có thể thích thư viện Matplotlib
Mô-đun matplotlib có thể được sử dụng để tạo tất cả các loại sơ đồ và biểu đồ bằng Python. Biểu đồ hình tròn là một trong những biểu đồ nó có thể tạo, nhưng nó là một trong nhiều biểu đồ
khóa học liên quan. Trực quan hóa dữ liệu với Matplotlib và Python
Biểu đồ hình tròn Matplotlib
Đầu tiên nhập plt từ mô-đun matplotlib với dòng nhập matplotlib. pyplot dưới dạng plt
Sau đó, bạn có thể sử dụng phương thức plt. pie[] để tạo một cốt truyện.
Đoạn mã dưới đây tạo biểu đồ hình tròn
#!/usr/bin/env python5
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
Đoạn mã trên có đầu ra sau
Bạn có thể xác định kích thước của nó, bộ phận nào sẽ phát nổ [khoảng cách từ trung tâm], nhãn nào nên có và màu nào nên có
#!/usr/bin/env python6
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
Chú thích biểu đồ hình tròn Matplotlib
Để thêm chú thích, hãy sử dụng plt. chức năng huyền thoại []. Điều này thêm một huyền thoại trên đầu cốt truyện
#!/usr/bin/env python7
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
Nó xuất ra âm mưu này
Trong khi tạo cốt truyện, đừng quên gọi phương thức. buổi bieu diễn[]
#!/usr/bin/env python8
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
Tải xuống tất cả các ví dụ Matplotlib
Truyền thuyết Matplotlib
Matplotlib có hỗ trợ riêng cho các huyền thoại. Huyền thoại có thể được đặt ở các vị trí khác nhau. Chú thích có thể được đặt bên trong hoặc bên ngoài biểu đồ và vị trí có thể được di chuyển
Phương thức legend[] thêm chú thích vào cốt truyện. Trong bài viết này, chúng tôi sẽ cho bạn thấy một số ví dụ về huyền thoại bằng matplotlib
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Chú giải Matplotlib bên trong
Để đặt chú giải bên trong, chỉ cần gọi legend[].
#!/usr/bin/env python9
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]
num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]
# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']
# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]
Chú giải Matplotlib ở dưới cùng
Để đặt chú giải ở dưới cùng, hãy thay đổi lệnh gọi legend[] thành.
from pylab import *0
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Hãy tính đến việc chúng tôi đặt số cột hai ncol=2 và đặt bóng
Mã hoàn chỉnh sẽ là
from pylab import *1
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Chú thích Matplotlib ở trên cùng
Để đặt chú thích ở trên cùng, hãy thay đổi các giá trị bbox_to_anchor.
from pylab import *2
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Mã số
from pylab import *3
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Chú giải bên ngoài bên phải
Chúng ta có thể đặt chú giải bên ngoài bằng cách thay đổi kích thước hộp và đặt chú giải tương ứng với hộp đó.
from pylab import *4
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Mã số
from pylab import *5
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Tải ví dụ xuống
matplotlib lưu hình
Nếu bạn muốn lưu các số liệu matplotlib dưới dạng các tệp riêng lẻ, bạn có thể thực hiện việc này với chức năng savefig. Nếu bạn muốn lưu số liệu trong một tệp, hãy sử dụng chức năng saveas để thay thế
Matplotlib là một thư viện đồ họa python tạo ra các số liệu chất lượng xuất bản ở nhiều định dạng bản cứng và môi trường tương tác trên các nền tảng
Khóa học liên quan
Khóa học dưới đây là tất cả về trực quan hóa dữ liệu.
Trực quan hóa dữ liệu với Matplotlib và Python
Lưu hình
Đối với những người chưa biết, matplotlib savefig tạo một tệp của hình hiện tại dưới dạng PNG [có độ trong suốt] và lưu nó vào hệ thống tệp của bạn
Vì vậy, Matplotlib có thể lưu các ô trực tiếp vào một tệp bằng cách sử dụng savefig[]. Trong bài viết này, chúng tôi sẽ không đề cập đến việc cài đặt matplotlib, nếu bạn muốn cài đặt nó, hãy xem phần cài đặt faq
Savefig rất hữu ích khi bạn cần lưu một hình để xem bên ngoài matplotlib, chẳng hạn như trong một chương trình khác hoặc khi bạn muốn sử dụng một chương trình đồ họa vector [Inkscape, Illustrator, v.v. ] để sửa đổi nó
Nó cũng hữu ích nếu bạn muốn lưu một bản sao của một hình trong cùng thư mục với tập lệnh matplotlib của bạn
Phương pháp này có thể được sử dụng như thế này
from pylab import *6
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Nó có thể tạo một hình ảnh từ hình. Nó quyết định định dạng hình ảnh dựa trên tiện ích mở rộng. Ví dụ để lưu ảnh jpg có tên là figure1. jpg. Hình ảnh phải có phần mở rộng là jpg, png hoặc pdf
Phương pháp savefig
Phương thức savefig[] là một phần của matplotlib. mô-đun pyplot. Điều này lưu nội dung của hình của bạn vào một tệp hình ảnh
Nó phải có tệp đầu ra làm đối số đầu tiên. Bạn có thể thêm đường dẫn đầy đủ, đường dẫn tương đối hoặc không có đường dẫn. Nếu bạn không xác định đường dẫn, nó sẽ lưu hình ảnh trong thư mục làm việc hiện tại
Chương trình cơ bản nhất bạn có thể làm chỉ là 5 dòng mã
from pylab import *7
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Điều này cũng hoạt động cho các lô lớn hơn
from pylab import *8
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Để thay đổi định dạng, chỉ cần thay đổi phần mở rộng như vậy
from pylab import *9
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]
Bạn có thể mở tệp của mình bằng bất kỳ chương trình hình ảnh bên ngoài nào, vì đó chỉ là một hình ảnh thông thường. Nếu bạn sử dụng Linux, bạn có thể sử dụng lệnh bên dưới
from pylab import *0
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
hoặc mở nó trong trình xem hình ảnh hoặc pdf nếu bạn đã lưu nó dưới dạng pdf
Tùy chọn savefig bổ sung
Một số tùy chọn lưu cấu hình mới đã được thêm vào matplotlib. Khả năng tương thích ngược được duy trì.
Các tùy chọn là.
from pylab import *1
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Định dạng và phần mở rộng tên tệp đầu ra được kiểm soát bởi các tham số định dạng và phần mở rộng;
Các thông số hữu ích là
đặt tên tệp cho tệp đầu ra để lưu, nếu không có đường dẫn, nó sẽ lưu nó vào cùng thư mục với chương trình của bạn
trong suốt nếu bạn đặt nền trong suốt thành True
bbox_inches thay đổi kích thước của khoảng trắng xung quanh hình ảnh, trong hầu hết các trường hợp, chặt chẽ là lý tưởng
Lưu dưới dạng tệp PDF
Để lưu biểu đồ matplotlib của bạn dưới dạng pdf, chỉ cần thay đổi phần mở rộng tệp thành. pdf
from pylab import *2
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Tệp sẽ được lưu trong thư mục làm việc của bạn
Lưu dưới dạng tệp SVG
SVG là một định dạng đồ họa dựa trên vector khác, cho phép bạn phóng to mà không làm giảm chất lượng. Không phải mọi chương trình đều có thể mở tệp hình ảnh svg
Để lưu dưới dạng tệp SVG, chỉ cần thay đổi phần mở rộng thành SVG
from pylab import *3
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Lưu dưới dạng tệp JPEG
Nếu bạn lưu dưới dạng tệp jpeg, bạn có thể bao gồm thông số chất lượng. Điều này cho phép bạn tiết kiệm một số dung lượng đĩa, nhưng phải trả giá bằng chất lượng hình ảnh
from pylab import *4
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Nói chung, tôi khuyên bạn nên sử dụng các định dạng đồ họa vector như svg hoặc pdf, vì chất lượng cao hơn. Nếu bạn không quan tâm đến chất lượng và chỉ muốn gửi hình ảnh qua email hoặc hiển thị hình ảnh trên trang web, bạn có thể sử dụng png hoặc jpeg
Tải ví dụ xuống
cốt truyện cập nhật matplotlib
Cập nhật biểu đồ matplotlib rất đơn giản. Tạo dữ liệu, cốt truyện và cập nhật trong một vòng lặp.
Bật chế độ tương tác là cần thiết. plt. ion[]. Điều này kiểm soát xem hình có được vẽ lại sau mỗi lệnh draw[] hay không. Nếu là Sai [mặc định] thì hình không tự cập nhật.
- Trực quan hóa dữ liệu với Matplotlib và Python
Cập nhật ví dụ cốt truyện
Sao chép mã bên dưới để kiểm tra một cốt truyện tương tác
from pylab import *5
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Giải thích
Chúng tôi tạo dữ liệu để vẽ biểu đồ bằng cách sử dụng.
from pylab import *6
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Bật chế độ tương tác bằng cách sử dụng
from pylab import *7
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Định cấu hình cốt truyện ['b-' biểu thị một đường màu xanh lam]
from pylab import *8
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Và cuối cùng cập nhật trong một vòng lặp
from pylab import *9
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
Tải ví dụ xuống
trục thời gian matplotlib
Matplotlib hỗ trợ các ô có thời gian trên trục ngang [x]. Các giá trị dữ liệu sẽ được đặt trên trục tung [y]. Trong bài viết này, chúng tôi sẽ chứng minh rằng sử dụng một vài ví dụ
Bắt buộc phải sử dụng mô-đun datetime của Python, một mô-đun chuẩn
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Viết thời gian
Bạn có thể vẽ thời gian bằng dấu thời gian.
from pylab import *0
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Nếu bạn muốn thay đổi khoảng thời gian, hãy sử dụng một trong các dòng bên dưới
from pylab import *1
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Biểu đồ thời gian từ giờ/phút cụ thể
Để bắt đầu từ một ngày cụ thể, hãy tạo dấu thời gian mới bằng datetime. ngày giờ [năm, tháng, ngày, giờ, phút].
Ví dụ đầy đủ.
from pylab import *2
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Tải xuống ví dụ
bản đồ nhiệt matplotlib
Một bản đồ nhiệt có thể được tạo bằng Matplotlib và numpy
Các khóa học liên quan
Nếu bạn muốn tìm hiểu thêm về trực quan hóa dữ liệu, khóa học này rất phù hợp.
- Trực quan hóa dữ liệu với Matplotlib và Python
Ví dụ về bản đồ nhiệt
Chức năng histogram2d có thể được sử dụng để tạo bản đồ nhiệt
Ta tạo một số mảng dữ liệu ngẫu nhiên [x,y] để sử dụng trong chương trình. Chúng tôi đặt bin thành 64, bản đồ nhiệt kết quả sẽ là 64x64. Nếu bạn muốn kích thước khác, hãy thay đổi số lượng ngăn
from pylab import *3
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Kết quả
Các điểm dữ liệu trong ví dụ này là hoàn toàn ngẫu nhiên và được tạo bằng cách sử dụng np. ngẫu nhiên. randn[]
biểu đồ phân tán python
Matplotlib có chức năng tích hợp để tạo các biểu đồ phân tán được gọi là phân tán []. Biểu đồ phân tán là một loại biểu đồ hiển thị dữ liệu dưới dạng tập hợp các điểm. Vị trí của một điểm phụ thuộc vào giá trị hai chiều của nó, trong đó mỗi giá trị là một vị trí trên chiều ngang hoặc chiều dọc
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Ví dụ về biểu đồ phân tán
Ví dụ.
from pylab import *4
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Biểu đồ phân tán theo nhóm
Dữ liệu có thể được phân loại thành nhiều nhóm. Đoạn mã dưới đây chứng minh rằng.
from pylab import *5
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
trăn phân tán 3d
Matplotlib có thể tạo các ô 3d. Tạo biểu đồ phân tán 3D rất giống với tạo biểu đồ phân tán 2d, chỉ có một số khác biệt nhỏ. Trong một số trường hợp, biểu đồ phân tán 3d có thể trực quan hóa dữ liệu tốt hơn biểu đồ 2d. Để tạo các ô 3d, chúng ta cần nhập axis3d
khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Giới thiệu
Cần phải nhập axis3d.
from pylab import *6
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Cung cấp cho dữ liệu một trục z và đặt hình thành phép chiếu 3d
from pylab import *7
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
biểu đồ phân tán 3d
Hoàn thành ví dụ biểu đồ phân tán 3d bên dưới.
from pylab import *8
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Cốt truyện được tạo bằng một số bước
- tạo véc tơ [g1,g2,g3]
- tạo danh sách [nhóm]
- âm mưu
The final plot is shown with plt.show[]
subplot python
Có thể gọi hàm Matplotlib subplot[] để vẽ hai hoặc nhiều ô trong một hình. Matplotlib hỗ trợ tất cả các loại ô con bao gồm 2x1 dọc, 2x1 ngang hoặc lưới 2x2
Các khóa học liên quan
- Trực quan hóa dữ liệu với Matplotlib và Python
Ô con ngang
Sử dụng mã bên dưới để tạo ô con ngang
from pylab import *9
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]
Ô phụ dọc
Bằng cách thay đổi các tham số ô phụ, chúng ta có thể tạo một ô dọc
savefig["line_chart.png"]0
Lưới ô ô con
Để tạo lưới các ô 2x2, bạn có thể sử dụng mã này.
savefig["line_chart.png"]1
ma trận cốt truyện python
Một sơ đồ tương quan có thể được tạo bằng Matplotlib. Matplotlib là thư viện vẽ đồ thị được sử dụng nhiều nhất cho Python. Nó có thể được bao gồm trong tất cả các bộ công cụ đồ họa có sẵn cho Python